lmms-lab/COCO-Caption2017

数据集简介

COCO-Caption2017 是基于 MS COCO 2017 数据集构建的图像描述数据集，包含图像与对应的文本描述。

主要用途

用于图像描述（Image Captioning）任务，支持训练和评估视觉-语言模型，实现从图像生成自然语言描述。

数据类型/模态

• 图像：来自 MS COCO 2017 数据集的图片。
• 文本：每张图片对应的人工标注的英文描述（通常为5条描述）。

规模与统计

• 数据总行数：45,670 条（对应图像-描述对）。
• 数据格式：Parquet。
• 下载量：约 4,800 次。

使用场景

1. 模型训练：训练图像描述生成模型（如基于 Transformer 的视觉-语言模型）。
2. 基准测试：评估图像描述模型的性能（如 BLEU、CIDEr、SPICE 等指标）。
3. 多模态研究：支持视觉与语言联合表示学习、跨模态检索等研究方向。